如果您还不知道

如果您还不知道

时间戳记：8年2023月1日上午07:XNUMX
源节点： 2969387

基于深度强化学习的推荐（DRR） 谷歌
推荐在学术界和工业界都至关重要，人们提出了各种技术，例如基于内容的协同过滤、矩阵分解、逻辑回归、分解机、神经网络和多臂老虎机。 然而，之前的大多数研究都存在两个局限性：（1）将推荐视为静态过程，忽略了用户与推荐系统之间的动态交互性质；（2）关注推荐项目的即时反馈，而忽略了长期的反馈。 - 期限奖励。 为了解决这两个限制，在本文中，我们提出了一种基于深度强化学习的新颖推荐框架，称为 DRR。 DRR框架将推荐视为一个顺序决策过程，并采用“Actor-Critic”强化学习方案来对用户和推荐系统之间的交互进行建模，可以同时考虑动态适应和长期奖励。 此外，DRR 中还集成了状态表示模块，可以显式捕获项目和用户之间的交互。 开发了三种实例化结构。 在离线和在线评估设置下对四个真实世界数据集进行了广泛的实验。 实验结果表明，所提出的 DRR 方法确实优于最先进的竞争对手。 ……

深度学习 谷歌
深度学习是机器学习中的一组算法，尝试使用由多个非线性变换组成的体系结构对数据中的高级抽象进行建模。 深度学习是基于学习表示的更广泛的机器学习方法家族的一部分。 观察结果（例如，图像）可以用多种方式表示（例如，像素向量），但某些表示可以更轻松地从示例中学习感兴趣的任务（例如，这是人脸图像吗？），该领域的研究试图定义什么可以产生更好的表示以及如何创建模型来学习这些表示。 各种深度学习架构，例如深度神经网络、卷积深度神经网络和深度置信网络，已被应用于计算机视觉、自动语音识别、自然语言处理和音乐/音频信号识别等领域，并被证明可以产生状态在各种任务上取得最先进的结果。 ……

集中坐标学习（CCL） 谷歌
得益于深度神经网络（DNN）技术的快速发展和大规模人脸数据库的出现，人脸识别近年来取得了巨大成功。 在DNN的训练过程中，人脸特征和要学习的分类向量会相互作用，而人脸特征的分布会很大程度上影响网络的收敛状态以及测试阶段的人脸相似度计算。 在这项工作中，我们联合制定了人脸特征和分类向量的学习，并提出了一种简单而有效的集中坐标学习（CCL）方法，该方法强制特征分散分布在坐标空间中，同时确保分类向量位于一个超球面。 进一步提出了自适应角度边缘来增强人脸特征的辨别能力。 在六个人脸基准上进行了大量的实验，包括那些具有较大年龄差距和硬负样本的人脸基准。 我们的 CCL 模型仅在小型 CASIA Webface 数据集（包含来自约 460K 受试者的 10K 人脸图像）上进行训练，表现出很高的有效性和通用性，在所有六个基准数据库中表现出一致的竞争性能。 ……

快速Node2Vec 谷歌
Node2Vec 是一种用于网络分析的最先进的通用特征学习方法。 然而，当前的解决方案无法在具有数十亿个顶点和边的大规模图上运行 Node2Vec，而这在实际应用中很常见。 Spark 上现有的分布式 Node2Vec 会产生大量的空间和时间开销。 即使对于具有数百万个顶点的中型图，它也会耗尽内存。 此外，它在生成随机游走时每个顶点最多考虑 30 条边，导致结果质量较差。 在本文中，我们提出了 Fast-Node2Vec，这是一系列基于类似 Pregel 的图计算框架的高效 Node2Vec 随机游走算法。 Fast-Node2Vec 计算随机游走期间的转移概率，以减少大规模图的内存空间消耗和计算开销。 类似Pregel的方案避免了Spark的只读RDD结构和shuffle操作的空间和时间开销。 此外，我们提出了许多优化技术，以进一步减少具有大度数的流行顶点的计算开销。 实证评估表明，Fast-Node2Vec能够在中型机器集群上对数十亿个顶点和边的图进行Node2Vec计算。 与 Spark-Node2Vec 相比，Fast-Node2Vec 实现了 7.7-122 倍的加速。 ……

时间戳记：

更多来自 分析